過去三年，美國與AI和機器學習相關的崗位需求數量幾乎翻了一番。薪資方面，數據總監平均薪資最高，年薪達到14萬美元。DataCamp人員調查了35位一線數據科學家，專家強調PPT做的好可能比懂深度學習更重要。

職業招聘信息網站Indeed.com近日發布報告稱，自2015年6月到2018年6月，與人工智能或機器學習有關的工作崗位數量增長了99.8％。

而在同一時間段內，更多的求職者也在尋找與人工智能有關的職位。對AI或機器學習有關職位的搜索或查詢次數更是增長了182％。

從硅谷到華爾街，人工智能和機器學習對高技術工人的需求不斷增加。但是，符合需求的人才數量極其有限，企業的求賢若渴讓少數符合條件的薪水越來越高。

過去三年中對人工智能和機器學習相關職業的搜索或查詢量增長了182％。但更多的搜索次數并不代表有更多合格的申請人，實際上，企業很難找到具備足夠熟練技能的求職者。

哪個城市AI職業機會最多？紐約！

Indeed.com分析了2015年6月至2018年6月期間在美國發布的數百萬份公開招聘信息。其中20%以上的職位描述或工作地點及薪資待遇的相關信息中都包括“人工智能”或“機器學習”。

從數據上來看，如果你想進入人工智能領域工作，那就把目光投向紐約市吧。

人工智能和機器學習職位分布最集中的大城市排名。按城市計算，紐約市發布的AI相關職位數站比例最高，但硅谷地區的總職位仍占全國的五分之一。資料來源：Indeed.com

在2015年6月至2018年6月期間，美國大城市的職位列表的描述中，紐約市有11.6％的職位描述與AI或機器學習有關，比例最高。其次是舊金山（9.6％），圣何塞（9.2％），華盛頓特區（7.9％）和波士頓（6.1％）。

據Glassdoor最近的一份報告，在過去四年中，美國薪酬最高的工作崗位都是技術部門。蘋果、亞馬遜、谷歌、Facebook、Uber等公司長期以來為具備機器學習技能的高技術求職者提供高薪待遇。

據《彭博商業周刊》報道，這些名牌公司可以提供每年超過30萬美元的工資和股票期權。現在，包括金融業和醫療保健業在內的其他行業也在努力尋找人才，提供的年薪達6位數。

AI相關職位薪資排行：數據總監最高，平均年薪14萬美元

在2017年6月至2018年6月的十大職位列表中，10個常見的AI相關職位中有7個的平均年薪超過10萬美元，如下圖所示：

與AI和機器學習相關的高薪職位排名。分析總監的平均薪資最高，年薪達到近14.4萬美元。資料來源：Indeed.com

Indeed.com的報告顯示，今年在人工智能和機器學習相關職位中，平均工資最高的是分析總監，達到14萬美元，其次是首席科學家（13.8萬美元），機器學習工程師和計算機視覺工程師（均為13.4萬美元）。該報告通過分析數萬個提供工資信息的公開招聘信息來確定平均工資。

公開發布的主任科學家、機器學習工程師、計算機視覺工程師和數據科學家的薪水也極具競爭力，最低的平均工資水平也在年薪13萬美元以上。如果工作地點位于紐約或硅谷，薪水還會額外提升3萬美元。

而且，Indeed.com發布的數字不包括員工獎金，股票期權等福利，這些都會使年薪大大提高。而且，在公共招聘平臺上提供的優厚待遇，比起企業直接招募或通過獵頭招募的更高級職位相比，有時可能更顯得微不足道。

在職位發布信息與AI或機器學習的相關性方面，機器學習工程師的招聘職位信息中有94.2%提到了“機器學習”和“人工智能”。排在第二位的是數據科學家，比例為75.1%，計算機視覺工程師以64.6%的比例位居第三。

據市場研究機構Gartner預測，人工智能將讓就業機會變得更多，而不是更少。到2020年，人工智能將創造220萬個工作崗位，同時減少180萬個工作崗位。

數據科學革命：各行各業無所不包

今年在人工智能和機器學習相關職位中，數據科學家的招聘信息量排第二。

現代數據科學在科技領域內的應用越來越廣，可以優化Google搜索排名和LinkedIn建議，還能影響Buz***eed上的頭條新聞。而現在，數據科學有望改變所有行業，從零售業、電信業、農業到醫療，貨運和刑罰制度。

然而，有時人們不是很理解“數據科學”和“數據科學家”這類詞。

DataCamp的數據科學家Hugo Bowne-Anderson博士接觸了35位一線數據科學家，描述了他們的日常工作內容。

數據科學家是做什么的。我們現在至少在科技行業內，了解數據科學的運行方式。首先，數據科學家要奠定堅實的數據基礎，以便執行可靠的分析。然后使用在線實驗以及其他方法來實現可持續增長。最后，他們構建機器學習流程，打造個性化的數據產品，以更好地了解他們的業務和客戶，并做出更好的決策。

換句話說，在技術領域，數據科學涉及基礎設施、實驗測試，用于決策的機器學習以及數據產品。

數據科學在科技之外的行業也在取得重大進展。我與Convoy的數據科學家Ben Skrainka談到了該公司如何利用數據科學徹底改變北美卡車運輸業的現狀。 Flatiron Health的Sandy Griffith表示，數據科學已經開始助力對癌癥的研究。 Drew Conway和我討論了他的公司Alluvium“使用機器學習和人工智能將工業運營產生的大量數據流轉化為觀點。”

現任Uber自駕車主管的MikeTamir討論了與Takt合作，以促進世界500強企業利用數據科學，包括他在星巴克推薦系統方面的工作。目前，一場數據科學革命正跨越多個縱向行業而展開。

我說的不僅僅是自動駕駛汽車和人工通用智能。我接觸過的許多人不僅對主流媒體對人工智能的迷戀持懷疑態度，他們對目前關于機器學習和深度學習的熱議的態度也是如此。當然，機器學習和深度學習是已經產生重大應用的強大技術，但是，正如所有的熱議話題一樣，我們應該保持對這一話題的健康的懷疑。

幾乎所有人都明白，工作數據科學家通過數據收集和數據清理，來制作日常工作的原料，通過圖表和報告、數據可視化、統計結論等方式將結果傳達給主要利益相關方，并努力讓決策者相信他們的結果。

溝通第一：PPT做得好，可能比懂技術還重要

科學家所需的技能正在不斷發展（具備深度學習的經驗并不是最重要的）。在與西雅圖地區的數據科學家Jonathan Nolis的對話中，我們提出了一個問題，“對于數據科學家來說，哪種技能更重要：是能夠使用最復雜的深度學習模型，或還是制作更優秀的PPT幻燈片的能力？“他表示后者更重要，因為溝通結果仍然是數據科學工作的重要組成部分。

另一個反復出現的主題是，如今必要的這些技能可能會在相對較短的時間內發生變化。隨著數據科學工具的開源生態系統和商業化，數據科學工具實現了快速發展，許多數據科學中的辛苦工作的自動化程度越來越高，比如數據清理和數據準備。一個常見的比喻是，數據科學家80％的寶貴時間用于查找，清理和組織數據，只有20％用于實際執行分析。

但這種情況不太可能繼續下去了。如今，大量的機器學習和深度學習的自動化程度正在提升，這種快速變化的一個結果是，我的絕大多數交流對象表示，數據科學家的關鍵技能不是構建和使用深度學習基礎架構的能力。

今天的數據科學家有能力即時學習和溝通，回答業務方面的問題，向非技術利益相關者解釋復雜的結果。那么，有抱負的數據科學家應該更少關注技術本身，而應該關注要解決的問題。新技術來來去去，但無論如何，我們仍然需要批判性思維和大量針對特定領域的技能。

數據科學專業化是大趨勢，道德問題是最大挑戰

專業化變得越來越重要。雖然數據科學家沒有明確的職業道路，對初級數據科學家的支持也很少，但我們已經開始看到某種形式的專業化。Emily Robinson描述了A型和B型數據科學家之間的區別：“A型是分析型的，有點像傳統的統計學家；而B型是構建機器學習模型。”

Jonathan Nolis將數據科學分為三個部分：（1）商業智能，主要是以儀表板、報告和電子郵件的形式“獲取公司所擁有的數據并將其提供給合適的人員”；（2）決策科學，即“獲取數據并利用它來幫助公司做出決定”；（3）機器學習，即“如何采用數據科學模型并將它們持續投入生產。”盡管許多數據科學家都是通才，他們同時從事所有三種工作，但我們看到了截然不同的職業道路，例如機器學習工程師的案例。

道德是該領域面臨的最大挑戰之一。你可能會認為這個職業為其從業者提供了很大的不確定性。當我詢問Hilary Mason，問她數據科學界是否還面臨其他重大挑戰，她說：“你認為不明確的道德規范、缺乏實踐標準、缺乏一致的術語這些挑戰，對我們來說還不夠重大嗎？”

這三點都非常重要，尤其是前兩點，這是幾乎所有數據科學家最關心的問題。在這個時代，我們與世界的這么多互動都是由數據科學家開發的算法決定的，這其中倫理扮演了一個什么角色呢？正如GitHub高級機器學習數據科學家Omoju Miller在我們的采訪中所說：

“我們需要有倫理解釋，我們需要接受培訓，我們需要有類似于希波克拉底誓言的東西。我們需要有適當的許可證，這樣如果你確實做了什么不道德的事情，也許你會受到一些處罰,或取消資格，或追索補償。我們可以說這不是我們整個行業想這樣，然后要找出方法來糾正哪些做錯的人，因為他們沒有經過培訓，他們不知道。”

一個經常出現的主題是數據科學可能產生嚴重、有害和不道德的結果，例如“在全美用于預測未來罪犯”的COMPAS再次犯罪風險評分系統，并且據ProPublica報道，該系統“對黑人有偏見”。

我們正在接近一個共識，即道德標準需要來自數據科學本身，以及立法者、草根運動和其他利益相關者。這一運動部分涉及重新強調模型的可解釋性，而不是黑箱模型。也就是說，我們需要建立可以解釋為什么它們做出這一預測的模型。深度學習模型在許多方面都很出色，但它們不可解釋。許多研究人員、開發人員和數據科學家正在這方面取得進展，例如Lime，這是一個旨在解釋機器學習模型正在做什么的項目。

整個行業和社會的數據科學革命才剛剛開始。數據科學家這一頭銜是否會繼續成為“21世紀最性感的工作”，是否會變得更加專業化，還是會成為大多數專業工作者需要具備的技能，目前尚不清楚。正如Hilary Mason所說：“10年后我們還會有數據科學嗎？我記得我們有過沒有數據科學的時代，如果告訴我說那時候數據科學家的頭銜是’網站管理員’，我也不會驚訝。”